摘要
为减少热处理智能化技术数据孤岛的状态，数字孪生的运用被广泛关注。数字孪生技术是智能化制造领域的先进智能技术，也是解决数据孤岛的重要方法之一。本文介绍了数字孪生技术与基于数字孪生的热处理研究现状。以车间数字孪生框架为基础，从物理车间、虚拟车间、车间服务系统、孪生数据4个方面介绍数字孪生的研究现状，分析了各部分中存在的主要问题。针对基于数字孪生为基础的热处理技术，结合传统热处理技术与特殊热处理的智能化研究进展，分析数字孪生技术在热处理中的应用与进展。
热处理是工业生产中至关重要的环节之一，传统的热处理工艺需要高度依赖人工操作，存在很多不便，如操作失误、温度控制不准确等问题，影响产品质量与生产效率。为此，智能技术被应用于热处理中。在实现了自动化、智能化的生产过程的同时，不仅减少了人工操作导致的损失，而且可以优化调控相关的热处理工艺，有助于企业提高竞争力和可持续发展能力。
当前，热处理智能技术在计算机网络、大数据、物联网和人工智能等技术的支持下，初步实现了高精度高效率的智能化热处理。然而，传统的热处理智能技术存在很多问题，如各设备的系统仍互相独立，数据存在滞后性、分析手段不够及时难以实现各系统的紧密配合等，因此很难显著提升车间的生产效率。
数字孪生是一种实现信息物理融合的重要技术，它通过创建虚拟模型来实现物理世界和数字世界的交
数字孪生技术集成多个学科，实现数字与实物的交互和协同工作，提高生产效率和质量。通过虚拟系统对物理车间进行复现和同步生产过程，促进工业互联网的发展，实现虚拟模型与生产数据完美融
图1 车间数字孪生框架
Fig.1 Framework of digital twin workshop
物理车间是企业内部实体的集合，由机械设备、传感器、人、生产物料组成。通过接收生产任务，根据生产指令执行生产活动并完成任
图2 物理车间与虚拟车间的关系
Fig.2 Physical versus virtual workshops
2016年，姜康
巫兴寰
将物理车间进行分析并运用智能化技术运用于物理车间中，实现了物理车间相关参数数据化，更有利于构建数据库及其评价分析，为整个数字孪生系统的搭建提供了强有力的物理支撑；同时可以将机器学习及大数据分析优化结果与先进的传感器技术结合，为新产品、新工艺提供智能化服务。此外，还可将车间相关设备内部与车间外部传感器数据相结合，使整个车间的物理车间信息更加详细具体，从而构建更为丰富的基于数字孪生的热处理系统。
虚拟车间是一种将物理车间通过技术手段进行数字化的映射模型。能够对车间的生产要素进行精确地刻画，通过对物理车间的实时数据分析，运用可视化技术能够直观地展示物理车间的生产状
生产前，虚拟车间是物理车间的完全数字化的映射，接受车间服务系统的生产计划进行评估、优化与预测，实现生产过程可视化。生产中，虚拟车间与物理车间的实时数据交互，使得虚拟车间在大量数据为支撑的基础上实现物理车间的优化调控，提升车间生产效率。虚拟车间在整体框架作用如
图3 数字孪生模型与生产服务系统、物理车间的关系图
Fig.3 Diagram of the digital twin model in relation to the production service system and the physical workshop
刘怀兰
以上可知，目前基于数字孪生技术在热处理车间智能化方面，还仅限于将虚拟车间分层化，并对分层结构进行分析，虽然有利于对整个虚拟车间行为进行建模，但用于构建实际的物理车间及其真实数据进行分层分析等还远远不够，对种类繁多的热处理工艺数据还没有建立应有的智能化分析和管理，特别是利用大数据分析及机器学习方面还远远不足。
车间服务系统是多样化的服务类系统相融的总称，其主要由物联网平台、三维建模软件等虚拟现实开发软件来实
图4 车间服务系统框架
Fig.4 Framework of workshop service system
车间服务系统是直接联系与改变虚拟车间的服务集合，是物理车间与虚拟车间实现实时交互与智能操作的桥
功能性服务主要实现数字孪生车间的运行、模拟、优化等功能。以虚拟车间为对象时车间服务系统会提供模拟服务，如实现模型的构建、虚拟场景的搭建等。Schleich
郭东升
以车间孪生数据为对象时提供数据管理服务方面，目前的研究对于连接交互数据的分化仍在模型建立上，且较为粗糙，须进一步进行细致化的区分乃至进行分层、分类建模技术，从而实现物理车间与虚拟车间的交互，将有利于指导工程应用。
业务性服务通过整合数字孪生数据和其他数据源，进行分析和决策。业务性服务一般以可视化服务为基础，如提供多样化的车间监控模式，为车间管理人员提供可操作行为干涉。
现阶段的车间服务系统是对不同功能进行封装后的统一结合。结合服务的车间服务系统，明确了如何将数字孪生的各种组件封装到服务中并以服务的形式加以使用。但现阶段车间服务系统的运用还处于起步阶段，其建模方法和服务化方法还需要进一步完善和丰
张南
图5 生产车间可视化监控界面
Fig.5 Interface of production plant visualization and monitoring
车间孪生数据是车间数字孪生的核心驱动力，物理车间与虚拟车间是相互独立的，孪生数据使得两者相互联系，实现物理车间、虚拟车间和车间服务系统三者之间两两实时交
其中，物理车间数据包含车间生产过程数据和车间要素数据，例如生产设备、人员、物料等在生产活动中产生的数据、工艺参数以及生产状况等数据。虚拟车间数据主要包括运行数据、行为数据、要素数据和仿真多模型的数据，这些数据可以用于车间生产计划的优化预测。车间服务数据则包括生产资源管理数据和车间服务数据等。当这3种数据相互兼容的同时不可避免地会产生衍生数据。这些融合运用的数据是车间数字孪生动力来源，不断的数据交融使平台实现自我进化与完善。显然，车间孪生数据主要是由物理车间数据、虚拟车间数据、车间服务系统数据和三者数据实时交互相融合后形成的数据4部分组
图6 可视化中孪生数据作用
Fig.6 Role of twin data in visualization
韩伊
孪生数据在车间数字孪生中存在两个特点：绝对的不完整性和相对的完整性，绝对的不同步性和相对的同步
数字孪生车间的运行机制涵盖了数字孪生车间整个生命周期。数字孪生车间的运行机制如
图7 数字孪生车间的运行机制
Fig.7 Operational mechanisms of the digital twin workshop
数字孪生车间运行贯穿于车间要素管理、生产计划仿真迭代、生产过程实时迭代3阶
第一阶段：数字孪生车间接收到生产任务，车间服务系统对车间数字孪生历史数据进行分析，得到满足车间约束条件的初始生产方案。同时，对物理车间要素的实时数据进行分析，对初始方案进行优化，以管理指令反馈给物理车间。物理车间以此调节自身要素参数，并将数据实时反馈给车间服务系统，车间服务系统再次对生产方案进行优化，经过多次的优化迭代得到最优的初始生产方案，同时将迭代过程的数据全部储存并与车间孪生数据相融合，作为下一次的生产驱动力。
第二阶段：是对初始生产方案的进一步迭代优化。虚拟车间通过接收初始生产方案，将车间孪生数据与初始生产方案结合分析，运用自身仿真模型与结论结合进行的仿真分析。将仿真分析结果实时反馈于车间服务系统，车间服务系统以此为基础对初始生产方案再次优化，经过多次的迭代优化后实现初始生产方案最优化，通过虚拟车间的可视化技术实现最优生产方案的预生产并以生成生产指令传输给物理车间。通过对生产方案的预生产，实现车间的生产成本的降低并提升车间企业的生产效率。
第三阶段：物理车间与虚拟车间的虚实映射。物理车间接收虚拟车间产生的生产指令，对物理车间的生产设备物料等进行调整并按照生产指令进行生产活动，将物理车间的实时数据传送给虚拟车间，虚拟车间通过可视化技术展现物理车间实时状况，当出现误差时，虚拟车间将根据车间孪生所有数据进行对比优化，以实时调控指令对物理车间进行调控。
经过3个阶段的不断迭代优化，实现生产最优的生产产品、数字孪生车间的自我完善以及自我调控与进化；实现物理车间、虚拟车间的实时交互与生产车间的实时调度，从而掌控管理车间生产，提升车间生产效率，减少车间损耗。3个阶段的完美交合是实现数字孪生实时传输运行的核心支撑。
热处理工艺是一种通过加热、保温和冷却等步骤改变材料内部物相和显微组织结构的技术，它可以改善材料的物理、力学和化学性能，提高材料的可加工性、延展性和零件的耐久性，满足不同工程领域对材料特性的要求。此外，热处理工艺还能改善材料表面的质量，提高表面的硬度、耐磨性和抗疲劳性能。
目前，热处理工艺与数字孪生的研究正在迅速发展中，数字孪生技术的出现使得热处理工艺的优化和控制更加高效和精确。数字孪生技术可以通过将物理系统数字化，建立数学模型，模拟和预测实际系统的行为和性能，为热处理工艺的优化和调控提供强大的工具和支持。利用数字孪生技术，可以优化热处理工艺的方案和参数，提高热处理质量和效率；同时，数字孪生技术还可以实时监测和控制热处理过程中的温度、保温时间、冷却速度等因素，使得热处理过程更加精确和可控。
正火和退火是金属材料热处理比较常用的两种工艺技术。随着智能化技术的快速发展，相关的仿真模拟技术在正火、退火方面已经取得了一定的进展。Niederer
图8 直接和间接组合式退火炉模型
Fig.8 Combined direct and indirect annealing furnace models
数字孪生技术作为工业4.0中的前沿智能化技术，已经在诸多领域受到了大量的关注。Dou
不同的智能化技术对热处理的应用存在着很大差异，正火和退火工艺虽然比较简单，但不同材料、不同结构的产品及要求不同，关键工艺参数也不同。怎样将数字孪生技术与不同工艺方法及相关参数结合，且以数字化可视化的方式展现，使得数据透明化更有利于生产车间的技术、管理要求仍需进一步努力。现阶段的数字孪生与智能化技术的结合都是对数字孪生片面化的展示，主要运用虚拟模型与其自我优化的特点运用于热处理中。
Perevalov
图9 轧辊淬火仿真数字软件计算窗口及感应系统模型
Fig.9 Roll quenching simulation digital software calculation window and induction system model
Künn
现阶段淬火工艺与数字孪生的结合已经较为成熟，但由于数字孪生在工业制造方面的应用更为突出，淬火工艺的数字孪生常常为车间数字孪生体中的一部分，且根据不同的产生要求，数字孪生体的整体构造也是大同小异，主要特点展示于虚拟模型与车间服务系统中。同时数字孪生将多种智能化技术的熟练运用与融合，是其实现对热处理车间完美掌控的依据，若存在的数字孪生系统缺少对自我优化、实时数据传输方面的问题，可结合智能化技术中的仿真模拟技术、智能传感器等智能化技术，从而实现数字孪生的完成。
在数字孪生理论技术早期，相关的智能化技术在回火工艺中已经有了一定的应用，Tang
Rudskoy
数字孪生在回火中的运用仍然处于基础研究阶段，以虚拟模型为核心，进行对回火热处理的仿真分析，以可视化的形式展现出来。在以物理实体等为基础的核心部分运用较为薄弱，现阶段的数字孪生可运用传感器等智能传输技术运用于物理实体部分，将虚拟模型数据传输到物理实体中，通过与物理实体的实际效果对比，来优化数字孪生虚拟模型及仿真分析的正确性。
特殊热处理工艺相对于传统热处理工艺而言，是在传统热处理工艺的基础上进行的深入探索和发展，可以理解为是对传统热处理工艺的升级和扩展。根据环境运用的不同，相对应的特殊热处理工艺也存在着差异，数字孪生在表面热处理、低温热处理与真空热处理中的研究与应用取得了较好的进展。
表面热处理技术是一种通过改变材料表面化学成分和微观组织结构来提高工件性能的方法。最为常见的表面热处理为化学热处理和表面淬火。
相关智能化技术在渗碳、渗氮工艺运用为实现数字孪生在该工艺领域中的运用提供了强有力的基础。智能化控制方面Ratajsk
图10 氮化过程智能化控制系统
Fig.10 Intelligent control system for nitriding process
Rajaei
图11 高性能烧结齿轮粉末冶金生产链模型
Fig.11 Powder metallurgical production chain model for high performance sintered gears
智能化技术在激光淬火与电子束淬火中存着大量的应用。Zhang
Knap
图12 智能化激光焊接监控系统数字孪生模型
Fig.12 Digital twin model for intelligent laser welding monitoring systems
低温热处理是一种将金属材料加热或冷却至一定的低温范围，然后保持一定时间，再冷却或回升至室温的过程。其中最为常见的低温热处理工艺以低温淬火、液氮处理为
Wang
Erkoyuncu
在低温热处理中，智能化技术能够将这一整体过程进行分化，对温度及冷却曲线等核心参数进行管理并对热处理后的结果进行分析，从而实现整个低温热处理的智能化。而数字孪生的加入使各个碎片化的智能技术实现整合，从而实现更高精度的掌控与更快速度的优化。
Hao
智能化技术在热处理中以智能控制技术精确控制温度、时间等核心参数，实现材料热处理的完美运行，减少材料不必要的相变发生，控制组织和变形。以仿真分析技术对相关热处理过程、温度、时间等进行模拟计算，从而确定最为精准的核心参数，实现最优的热处理过程。现阶段的热处理数字孪生技术是将上述技术进行结合，侧重点的不同，相应的功能也不同，都是以仿真分析功能为核心实现对数字孪生的搭建。然而该技术孪生仍侧重模型建立及仿真，无法实现有效的实时传输、分析，数据库的建立及机器学习应该是未来发展的重点。
本文详细介绍了基于数字孪生的热处理技术研究进展，一方面，通过分析数字孪生中基于车间数字孪生框架的数字孪生模型，阐述了车间数字孪生框架各部分模块的工作原理与特点，并对各个模块现阶段的研究工作进行分析与总结，指出了数字孪生模型在工业车间中的应用优点；另一方面，目前基于数字孪生的热处理技术的研究，国内仍处于起步阶段，相关的智能化热处理技术为热处理数字孪生模型的构建提供了基础。
现阶段的数字孪生模型由于不同的数字孪生环境存在着不同的侧重点与需求，例如，一些关键技术的运用，如实时监控、预测分析或云计算，在相关性方面会有所不同，但数据挖掘的主要概念和基本架构仍然在所有领域普遍存在。数字孪生仍处于早期阶段，现阶段的数字孪生应对复杂的物理模型与多元化的数据处理依然是现阶段关注的重点。
相关的智能化热处理技术其核心本质是实现对热处理中的各参数控制及分析。随着模拟和建模技术、5G技术、物联网技术的日益成熟，仿真、建模、分析和可视化软件的熟练运用，将智能化监控技术与虚拟仿真技术等结合，建立数据库及机器学习模型，将有助于更好地评估、优化工艺技术，正是数字孪生技术在热处理行业中的发展方向。
参考文献
陶飞， 刘蔚然， 刘检华， 等. 数字孪生及其应用探索［J］. 计算机集成制造系统， 2018， 24（1）： 1-18. [百度学术]
TAO Fei， LIU Weiran， LIU Jianhua， et al. Exploration of digital twins and their applications［J］. Computer Integrated Manufacturing Systems， 2018， 24（1）： 1-18. [百度学术]
CAI Y， STARLY B， COHEN P， et al. Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing［J］. Procedia manufacturing， 2017， 10： 1031-1042. [百度学术]
刘大同， 郭凯， 王本宽， 等. 数字孪生技术综述与展望［J］. 仪器仪表学报， 2018， 39（11）： 1-10. [百度学术]
LIU Datong， GUO Kai， WANG Benkuan， et al. Overview and prospects of digital twin technology［J］. Journal of Instrumentation， 2018， 39（11）： 1-10. [百度学术]
TAO Fei，ZHANG Meng. Digital twin shop-floor：A new shopfloor paradigm towards smart manufacturing［J］. IEEE Access， 2017，5： 20418-20427. [百度学术]
JONES D， SNIDER C， NASSEHI A， et al. Characterising the digital twin： A systematic literature review［J］. CIRP Journal of Manufacturing Science and Technology， 2020， 29： 36-52. [百度学术]
杨林瑶， 陈思远， 王晓， 等. 数字孪生与平行系统：发展现状、对比及展望［J］. 自动化学报， 2019， 45（11）： 2001-2031. [百度学术]
YANG Linyao， CHEN Siyuan， WANG Xiao， et al. Digital twins and parallel systems： Development status， comparison， and prospects［J］. Journal of Automation， 2019， 45（11）： 2001-2031. [百度学术]
陶飞， 张萌， 程江峰， 等. 数字孪生车间——一种未来车间运行新模式［J］. 计算机集成制造系统， 2017， 23（1）： 1-9. [百度学术]
TAO Fei， ZHANG Meng， CHENG Jiangfeng， et al. Digital twin workshop： A new model for future workshop operation［J］. Computer Integrated Manufacturing System， 2017， 23（1）： 1-9. [百度学术]
KONG T， HU T， ZHOU T， et al. Data construction method for the applications of workshop digital twin system［J］. Journal of Manufacturing Systems， 2021， 58： 323-328. [百度学术]
刘义， 刘晓冬， 焦曼， 等. 基于数字孪生的智能车间管控［J］. 制造业自动化， 2020， 42（7）： 148-152. [百度学术]
LIU Yi， LIU Xiaodong， JIAO Man， et al. Intelligent workshop control based on digital twins［J］. Manufacturing Automation， 2020， 42（7）： 148-152. [百度学术]
姜康， 柯榕， 赵小勇， 等. 数字化车间虚拟监控系统研究［J］. 航空制造技术， 2016（20）： 97-100， 104. [百度学术]
JIANG Kang， KE Rong， ZHAO Xiaoyong， et al. Research on digital workshop virtual monitoring system［J］. Aviation Manufacturing Technology， 2016（20）： 97-100， 104. [百度学术]
巫兴寰， 朱剑刚. 板式定制家具智能车间数字孪生模型探讨［J］. 木材科学与技术， 2023， 37（1）： 25-32. [百度学术]
WU Xinghuan， ZHU Jiangang. Discussion on the digital twin model of intelligent workshop for panel customized furniture［J］. Wood Science and Technology， 2023， 37（1）： 25-32. [百度学术]
王建民， 宋庆奎， 彭莹莹， 等. 工业互联网支持下的数字孪生车间［J］. 数字技术与应用， 2022， 40（9）： 87-89. [百度学术]
WANG Jianmin， SONG Qingkui， PENG Yingying， et al. Digital twin workshop supported by industrial internet［J］. Digital Technology and Applications， 2022， 40（9）： 87-89. [百度学术]
ZHANG Q， ZHANG X， XU W， et al. Modeling of digital twin workshop based on perception data［C］//Proceedings of Intelligent Robotics and Applications： 10th International Conference（ ICIRA 2017）. Wuhan， China： Springer International Publishing， 2017： 3-14. [百度学术]
JONES D， SNIDER C， NASSEHI A， et al. Characterising the digital twin： A systematic literature review［J］. CIRP Journal of Manufacturing Science and Technology， 2020， 29： 36-52. [百度学术]
刘怀兰， 岳鹏， 閤辰皓， 等. 基于VDEVS的离散制造车间虚拟实体行为模型描述方法［J］. 计算机集成制造系统， 2021， 27（10）： 2950-2960. [百度学术]
LIU Huailan， YUE Peng， HE Chenhao， et al. A VDEVS based description method for virtual entity behavior models in discrete manufacturing workshops［J］. Computer Integrated Manufacturing Systems， 2021， 27（10）： 2950-2960. [百度学术]
周成， 孙恺庭， 李江， 等. 基于数字孪生的车间三维可视化监控系统［J］. 计算机集成制造系统， 2022， 28（3）： 758-768. [百度学术]
ZHOU Cheng， SUN Kaiting， LI Jiang， et al. A workshop 3D visualization monitoring system based on digital twins［J］. Computer Integrated Manufacturing System， 2022， 28（3）： 758-768. [百度学术]
桂勇. 基于数字孪生的车间动态调度研究［D］. 南京： 南京航空航天大学， 2021. [百度学术]
GUI Yong. Research on dynamic workshop scheduling based on digital twins［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2021. [百度学术]
TAO F， CHENG Y， XU L D， et al. CCIoT-CMfg： Cloud computing and internet of things-based cloud manufacturing service system［J］. IEEE Transactions on Industrial Informatics， 2014， 10（2）： 1435-1442. [百度学术]
宋微. 基于数字孪生的Z公司装备制造车间现场管理辅助系统设计［D］. 石家庄： 河北科技大学， 2021. [百度学术]
SONG Wei. Design of on-site management assistance system for equipment manufacturing workshop of Z company based on digital twins［D］. Shijiazhuang： Hebei University of Science and Technology， 2021. [百度学术]
YAN J， LIU Z， ZHANG C， et al. Research on flexible job shop scheduling under finite transportation conditions for digital twin workshop［J］. Robotics and Computer-Integrated Manufacturing， 2021， 72： 102198. [百度学术]
孙恺廷. 基于数字孪生的车间三维虚拟监控系统研究［D］. 南京： 南京理工大学， 2020. [百度学术]
SUN Kaiting. Research on a 3D virtual monitoring system for workshop based on digital twins［D］. Nanjing： Nanjing University of Science and Technology， 2020. [百度学术]
SCHLEICH B， ANWER N， MATHIEU L， et al. Shaping the digital twin for design and production engineering［J］. CIRP Annals， 2017， 66（1）： 141-144. [百度学术]
郭东升， 鲍劲松， 史恭威， 等. 基于数字孪生的航天结构件制造车间建模研究［J］. 东华大学学报（自然科学版）， 2018， 44（4）： 578-585， 607. [百度学术]
GUO Dongsheng， BAO Jinsong， SHI Gongwei， et al. Modeling of aerospace structural parts manufacturing workshop based on digital twins［J］. Journal of Donghua University （Natural Science Edition）， 2018， 44（4）： 578-585， 607. [百度学术]
QI Q， TAO F， ZUO Y， et al. Digital twin service towards smart manufacturing［J］. Procedia CIRP， 2018， 72： 237-242. [百度学术]
张南， 张顺， 刘利勋， 等. 基于数字孪生的车间生产过程监控方法［J］. 组合机床与自动化加工技术， 2022（7）： 156-159. [百度学术]
ZHANG Nan， ZHANG Shun， LIU Lixun， et al. A workshop production process monitoring method based on digital twins［J］. Modular Machine Tool and Automation Processing Technology， 2022（7）： 156-159. [百度学术]
LATIF H， STARLY B. A simulation algorithm of a digital twin for manual assembly process［J］. Procedia Manufacturing， 2020， 48： 932-939. [百度学术]
张洁. 断路器检测线中数字孪生模型的碰撞检测及其动力学控制方法研究［D］. 温州： 温州大学， 2021. [百度学术]
ZHANG Jie. Research on collision detection and dynamic control methods of digital twin models in circuit breaker detection lines［D］. Wenzhou： Wenzhou University， 2021. [百度学术]
陈振， 丁晓， 唐健钧， 等. 基于数字孪生的飞机装配车间生产管控模式探索［J］. 航空制造技术， 2018， 61（12）： 46-50， 58. [百度学术]
CHEN Zhen， DING Xiao， TANG Jianjun， et al. Exploration of production control mode in aircraft assembly workshops based on digital twins［J］. Aviation Manufacturing Technology， 2018， 61（12）： 46-50， 58. [百度学术]
宗学妍. 基于数字孪生的车间作业仿真与监控系统的设计与实现［D］. 北京： 中国科学院大学（中国科学院沈阳计算技术研究所）， 2021. [百度学术]
ZONG Xueyan. Design and implementation of workshop operation simulation and monitoring system based on digital twin［D］. Beijing： University of Chinese Academy of Sciences （Shenyang Institute of Computing Technology， Chinese Academy of Sciences）， 2021. [百度学术]
韩伊凡. 基于数字孪生的边云协同生产调度研究［D］. 北京： 北京邮电大学， 2021. [百度学术]
HAN Yifan. Research on edge cloud collaborative production scheduling based on digital twins［D］. Beijing： Beijing University of Posts and Telecommunications， 2021. [百度学术]
张桐瑞. 基于数字孪生的柔性车间调度方法研究［D］. 无锡： 江南大学， 2021. [百度学术]
ZHANG Tongrui. Research on flexible workshop scheduling method based on digital twins［D］. Wuxi： Jiangnan University， 2021. [百度学术]
裴爱根， 戚绪安， 刘云飞， 等. 基于五维模型的数字孪生树状拓扑结构［J］. 计算机应用研究， 2020， 37（S1）： 240-243. [百度学术]
PEI Aigen， QI Xu’an， LIU Yunfei， et al. Digital twin tree topology structure based on five dimensional model［J］. Computer Application Research， 2020， 37（S1）： 240-243. [百度学术]
熊伟杰， 郭宇， 黄少华， 等. 基于OPC UA的数字孪生车间实时数据融合与建模研究［J］. 机械设计与制造， 2022（7）： 143-148. [百度学术]
XIONG Weijie， GUO Yu， HUANG Shaohua， et al. Research on real time data fusion and modeling of digital twin workshop based on OPC UA［J］. Mechanical Design and Manufacturing， 2022（7）： 143-148. [百度学术]
NIEDERER M， STROMMER S， STEINBOECK A， et al. Nonlinear model predictive control of the strip temperature in an annealing furnace［J］. Journal of Process Control， 2016， 48： 1-13. [百度学术]
YILDIZ E， BAŞOL A M， MENGÜÇ M P. Segregated modeling of continuous heat treatment furnaces［J］. Journal of Quantitative Spectroscopy and Radiative Transfer， 2020， 249： 106993. [百度学术]
DOU R， ZHAO H， ZHAO P， et al. Numerical model and optimization strategy for the annealing process of 3D coil cores［J］. Applied Thermal Engineering， 2020， 178： 115517. [百度学术]
ZHANG K， DOU R， ZHAO P， et al. Annealing process optimization of 3D coil core based on annealing simulation experiment and thermal mechanical coupling model［J］. Journal of Materials Research and Technology， 2023， 22： 216-229. [百度学术]
PEREVALOV Y， DEMIDOVICH V. Simulation of physical fields in induction hardening technology─From digital twin to new technology［C］//Proceedings of IOP Conference Series： Materials Science and Engineering. Chelyabinsk， Russian Federation： IOP Publishing， 2020， 969（1）： 012051. [百度学术]
KÜNNE S， MODY K， VALDER W S G. Digitalisation in industrial furnace manufacturing［J］. Aluminium International Today， 2020， 33： 23-24. [百度学术]
KHALAJ O， JAMSHIDI M， HASSAS P， et al. Metaverse and AI digital twinning of 42SiCr steel alloys［J］. Mathematics， 2023， 11（1）： 4. [百度学术]
TANG B T， BRUSCHI S， GHIOTTI A， et al. Numerical modelling of the tailored tempering process applied to 22MnB5 sheets［J］. Finite Elements in Analysis and Design， 2014， 81： 69-81. [百度学术]
YAPAROVA N， KORYAGIN Y. Method for determining the thermal state of the body during complex heat treatment［C］//Proceedings of 2020 Global Smart Industry Conference （GloSIC）. Chelyabinsk， Russia： IEEE， 2020： 423-428. [百度学术]
RUDSKOY A I， KOLBASNIKOV N G. Digital twins of processes of thermomechanical treatment of steel［J］. Metal Science and Heat Treatment， 2020， 62： 3-10. [百度学术]
LIU Q， LENG J， YAN D， et al. Digital twin-based designing of the configuration， motion， control， and optimization model of a flow-type smart manufacturing system［J］. Journal of Manufacturing Systems， 2021， 58： 52-64. [百度学术]
RATAJSKI J， OLIK R， TACIKOWSKI J， et al. Intelligent control system for gaseous nitriding process［J］. La Metallurgia Italiana， 2006， 98（7）： 21-27. [百度学术]
WOŁOWIEC-KORECKA E. Modeling methods for gas quenching， low-pressure carburizing and low-pressure nitriding［J］. Engineering Structures， 2018， 177： 489-505. [百度学术]
RAJAEI A， DENG Y， SCHENK O， et al. A digital twin of the powder metallurgical manufacturing chain of high strength sintered gears［J］. Research Square， 2020. DOI：10.21203/rs.3.rs-95131/v1. [百度学术]
HONG Y， SUN C， XIU S， et al. Strengthening surface generation mechanism of carburizing-assisted grinding［J］. Tribology International， 2023， 180： 108300. [百度学术]
ZHANG C， LI S， WEI H， et al. Analysis of electron beam surface quenching performance and simulation and verification of temperature field of 35CrMo steel［C］//Proceedings of MEMAT 2022； 2nd International Conference on Mechanical Engineering， Intelligent Manufacturing and Automation Technology. Guilin， China： VDE， 2022： 1-5. [百度学术]
LI Z， WEN Z， SU F. Modeling research on laser quenching process of GCr15 bearing steel basing on material properties obtained with experimental methods［J］. Materials Research Express， 2021， 8（9）： 096516. [百度学术]
KNAPP G L， MUKHERJEE T， ZUBACK J S， et al. Building blocks for a digital twin of additive manufacturing［J］. Acta Materialia， 2017， 135： 390-399. [百度学术]
AMINZADEH A， SATTARPANAH KARGANROUDI S， MEIABADI M S， et al. A survey of process monitoring using computer-aided inspection in laser-welded blanks of light metals based on the digital twins concept［J］. Quantum Beam Science， 2022， 6（2）： 19. [百度学术]
KALSI N S， SEHGAL R， SHARMA V S. Cryogenic treatment of tool materials： A review［J］. Materials and Manufacturing Processes， 2010， 25（10）： 1077-1100. [百度学术]
WANG J J， XUE X D， YANG Z Q， et al. Effect of cryogenic treatments on mechanical properties of 2A11 aluminum alloy［J］. Advanced Materials Research， 2010， 146/147： 1646-1650. [百度学术]
KATOCH S， SEHGAL R， SINGH V， et al. Improvement of tribological behavior of H-13 steel by optimizing the cryogenic-treatment process using evolutionary algorithms［J］. Tribology International， 2019， 140： 105895. [百度学术]
ERKOYUNCU J A， FARSI M， ARIANSYAH D. An intelligent agent-based architecture for resilient digital twins in manufacturing［J］. CIRP Annals， 2021， 70（1）： 349-352. [百度学术]
SÍLVIA R C， LAURO C H， ANA H， et al. Development of FEM-based digital twins for machining difficult-to-cut materials： A roadmap for sustainability［J］. Journal of Manufacturing Processes， 2022， 75： 739-766. [百度学术]
HAO X， GU J， CHEN N， et al. 3-D numerical analysis on heating process of loads within vacuum heat treatment furnace［J］. Applied Thermal Engineering， 2008， 28（14/15）： 1925-1931. [百度学术]
WANG X Y， ZHOU Z W. Research on fuzzy control in vacuum heat treatment furnace temperature control system［J］. Applied Mechanics and Materials， 2013， 397/398/399/400： 1236-1240. [百度学术]
WOŁOWIEC-KORECKA E. Methods of data mining for modelling of low-pressure heat treatment［J］. Journal of Achievements in Materials and Manufacturing Engineering， 2017， 85（1）： 31-40. [百度学术]